eksploracji danych - Tłumaczenie na angielski - polskich przykładów
Eksploracja danych
Eksploracja danych
Rozwój oraz upowszechnienie rozwiązań technologicznych służących gromadzeniu informacji sprawiły, że we wszystkich obszarach działalności człowieka mamy do czynienia z przechowywaniem i przetwarzaniem danych. Zazwyczaj są one wykorzystywane jedynie w bieżącej działalności instytucji je gromadzących; analiza i interpretacja danych może jednak dostarczyć istotnej wiedzy na temat reguł i zależności rządzących procesami biznesowymi, zachowaniami konsumentów i zagrożeniami funkcjonowania firmy.
Eksploracja danych to nowa dziedzina informatyki odpowiadająca na potrzebę zaawansowanej i automatycznej analizy informacji. Jej dynamiczny rozwój wynika z konieczności integracji istniejących algorytmów w celu efektywnego przetwarzania dużej ilości nowych typów danych. Obecnie, wraz z rozwojem narzędzi do generowania i przechowywania danych, eksploracji poddawane są coraz bardziej złożone informacje: multimedialne (zdjęcia, filmy, muzyka), przestrzenne (mapy), przebiegi czasowe, struktury chemiczne (sekwencje DNA), sieci społecznościowe.
Niniejsza książka jest pierwszym na polskim rynku samodzielnym podręcznikiem przedstawiającym metody eksploracji danych w ujęciu algorytmicznym, a nie statystycznym. Zawiera omówienie podstawowych metod eksploracji, min. odkrywanie asocjacji, wzorców sekwencji, klasyfikację i grupowanie. Dla każdej z metod omówiono podstawowe algorytmy eksploracji ilustrowane licznymi przykładami. Dodatkowo, w celu sprawdzenia wiedzy czytelnika, przygotowano zestaw zadań i ćwiczeń do samodzielnego wykonania.
Głównymi adresatami podręcznika są studenci informatyki, ekonomii, psychologii, socjologii – dziedzin, w których duże znaczenie ma przetwarzanie informacji. Z pewnością skorzystają z niego również doktoranci zajmujący się zagadnieniami eksploracji danych i odkrywania wiedzy.
[PDF] Eksploracja danych
Eksploracja danych
DOWNLOAD PDF
Short Description
Description
WYŻSZA SZKOŁA INFORMATYKI STOSOWANEJ I ZARZĄDZANIA Pod auspicjami Polskiej Akademii Nauk 01-447 Warszawa, ul. Newelska 6, tel. 22 3486544
Wydział Informatyki
Kierunek studiów Profil Stopień studiów Forma studiów
Informatyka Ogólnoakademicki 2-go stopnia niestacjonarne
Sylabus przedmiotu
Eksploracja danych 1. Cele przedmiotu Kod CP1 CP2 CP3 CP4 CP5 CP6 CP7 CP8
Cel Uzyskanie wiedzy o technologii eksploracji danych Uzyskanie wiedzy o odkrywaniu wzorców i zależności za pomocą metod eksploracji danych Uzyskanie wiedzy o metodach reprezentacji częstych wzorców i wnioskowaniu z ich użyciem Uzyskanie wiedzy o wydajnych algorytmach grupowania i klasyfikacji danych Uzyskanie praktycznych umiejętności planowania i realizowania procesu eksploracji danych Uzyskanie wiedzy o sposobie implementacji obowiązujących metodyk eksploracji danych w najbardziej popularnych uniwersalnych narzędziach i systemach komercyjnych Zapoznanie się z obsługą uniwersalnych narzędzi i systemów, przeznaczonych do obsługi analiz OLAP i eksploracji Uzyskanie umiejętności wykorzystania nowoczesnych modułów przygotowania (transformowania) danych, wydobywania wiedzy (eksploracji) i klasyfikowania (predykcji) interesujących cech danych
2. Efekty przedmiotowe Wiedza Kod EK-W1 EK-W2 EK-W3 EK-W4 EK-W5 EK-W6 EK-W7
Nazwa Posiada wiedzę o technologii eksploracji danych Posiada wiedzę o odkrywaniu wzorców i zależności za pomocą metod eksploracji danych Posiada wiedzę o metodach reprezentacji częstych wzorców i wnioskowaniu z ich użyciem Posiada wiedzę o wydajnych algorytmach grupowania i klasyfikacji danych Posiada wiedzę o nowoczesnych, uniwersalnych narzędziach i systemach analiz OLAP i eksploracji danych Zna podstawowe metodyki eksploracji danych, takie jak CRISP i SEMMA Rozumie działanie i implementacje podstawowych procedur budowania modeli analitycznych i wydobywania wiedzy
Realizuje cel
Efekty kierunkowe
CP1 CP2
K2A_W06 K2A_W06
CP3
K2A_W06
CP4
K2A_W06
CP7
K2A_W06, K2A_W07 K2A_W06
CP5, CP6 CP8
K2A_W06
Umiejętności Kod EK-U1 EK-U2 EK-U3
Nazwa Potrafi skonfigurować i posługiwać się uniwersalnym narzędziem do analizy i eksploracji danych Potrafi zaplanować proces eksploracji danych Posiada umiejętność wybrania odpowiednich algorytmów wydobywania wiedzy w zalezności od założonego celu analizy i struktury otrzymanych danych
1
Realizuje cel
Efekty kierunkowe
CP7
K2A_U09
CP5, CP6 CP6, CP8
K2A_U09, K2A_U11 K2A_U03, K2A_U07, K2A_U09, K2A_U11
Kompetencje Kod EK-K1 EK-K2 EK-K3
Nazwa
Realizuje cel
Posiada umiejętności planowania i realizowania procesu eksploracji danych Jest przygotowany do obsługi nowoczesnych systemów eksploracji danych Rozumie znaczenie modeli wiedzy, wzorców i zależności w metodach eksploracji danych
Efekty kierunkowe
CP5, CP6 CP7
K2A_K04
CP8
K2A_K04
K2A_K04
3. Treści programowe Kod TP1 TP2
TP3
TP4 TP5
TP6
TP7 TP8
TP9 TP10 TP11 TP12
TP13
TP14
Tematyka Przedstawienie rozwoju, zadań i wyzwań w dziedzinie eksploracji danych. Omówienie procesu odkrywania wiedzy. Wprowadzenie pojęć wzorca częstego i reguły asocjacyjnej oraz ich własności. Omówienie wybranych miar oceny odkrywanych reguł. Przedstawienie wybranych algorytmów odkrywania wzorców częstych i silnych reguł asocjacyjnych (takich, jak np. Apriori, Eclat, dEclat, Partition) z transakcyjnych zasobów danych oraz użycia struktur danych (np. drzewa mieszającego, drzewa prefiksowego, list identyfikatorów transakcji, różnicowych list identyfikatorów transakcji, ) wspierających wydajne wyszukiwanie reguł asocjacyjnych. Odkrywanie wzorców częstych i reguł asocjacyjnych z relacyjnych baz danych, z uwzględnieniem pozycji zanegowanych oraz z uwzględnieniem taksonomii. Omówienie wybranych bezstratnych reprezentacji wzorców częstych i wnioskowania z ich użyciem. Omówienie algorytmów Charm i dCharm wyznaczania reprezentacji wzorców częstych opartej na częstych zbiorach zamkniętych oraz algorytmu przekształcającego tę reprezentację w kompletny zbiór wszystkich zbiorów częstych. Omówienie algorytmu GR-Apriori wyznaczania reprezentacji wzorców częstych opartej na generatorach. Omówienie zwięzłych reprezentacji silnych reguł asocjacyjnych opartych na częstych generatorach i zbiorach zamkniętych, ich własności, metod wyznaczania i zastosowania. Omówienie metod grupowania danych: podziału, hierarchicznych, gęstościowych. Omówienie algorytmu grupowania gęstościowego DBSCAN i algorytmu TI-DBSCAN, wykorzystującego własność nierówności trójkąta jako usprawnienia zwiększającego wydajność w przypadku metryk odległości. Przedstawienie metod zwiększania wydajności grupowania w przypadku stosowania wybranych miar podobieństwa (np. miary kosinusowej, miary Jaccarda, miary Tanimoto). Omówienie klasyfikacji leniwej i zapalczywej. Omówienie algorytmu klasyfikacji z wykorzystaniem wzorców kontrastowych. Omówienie algorytmu SPRINT, tworzącego klasyfikator w postaci drzewa decyzyjnego. Omówienie pojęcia i własności wzorców sekwencyjnych. Omówienie algorytmu SPADE, odkrywającego wzorce sekwencyjne. Laboratorium: Omówienie podstawowych pojęć i metod działania, stosowanych przy eksploracji danych. Omówienie metodyk eksploracji danych CRISP i SEMMA. Instalacja indywidualnych repozytoriów Oracle Data Minera na komputerach studentów w pracowni. Laboratorium: Omówienie metodyki działania, przyjętej w Oracle Data Miner. Tworzenie projektów. Budowanie i uruchamianie podstawowych modułów przyłączania, modyfikowania i prezentacji danych. Laboratorium: Tworzenie prostych modeli klasyfikujących dla predykcji zachowania klientów na przykładzie zbioru danych, reprezentujących klientów firmy ubezpieczeniowej. Laboratorium: Uruchamianie modeli klasyfikujących. Analiza i interpretacja podstawowych parametrów oceny modeli analitycznych. Omówienie podstawowych metod oceny jakości modeli. Laboratorium: Dyskusja metod oceny analizy jakości zbiorów, otrzymywanych do analizy danych (stosowanie metod statystycznych dystrybucji, skośności i kurtozy, histogramów, wartości średnich, modów, odchyleń, ..., prawo Benforda, ...) Laboratorium: Budowanie pełnego modelu przepływu danych z bazy analitycznej w układzie typu gwiazdy i tworzenie modelu churn dla przykładowej bazy klientów firmy telefonicznej. Przypisanie wartości funkcji churn do całej populacji klientów. Analiza jakości uzyskanych wyników. Laboratorium: Tworzenie i analizowanie sieci powiązań komunikatów publikowanych w popularnym komunikatorze społecznościowym (Twitter) na przykładzie tematu: „Finał Wielkiej Orkiestry Świątecznej Pomocy” przy pomocy języka „R” i darmowych narzędzi wizualizacji danych.
4. Macierz realizacji przedmiotu Efekt przedmiotowy
Cel przedmiotu
Treści programowe
EK-W1 EK-W2
CP1 CP2
TP1 TP2, TP7 2
Efekt przedmiotowy
EK-W3 EK-W4 EK-W5 EK-W6 EK-W7 EK-U1 EK-U2 EK-U3 EK-K1 EK-K2 EK-K3
Cel przedmiotu
CP3 CP4 CP7 CP5, CP6 CP8 CP7 CP5, CP6 CP6, CP8 CP5, CP6 CP7 CP8
Treści programowe
TP3, TP4 TP5, TP6 TP8, TP9 TP8 TP8, TP10, TP11, TP12, TP13, TP14 TP8, TP9, TP11 TP8 TP8 TP8 TP8 TP8
5. Literatura Literatura podstawowa 1. Daniel T. Larose, Discovering Knowledge in Data - An Introduction to Data Mining, John Wiley & Sons, Inc., 2005 2. Eric Siegel, Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die, John Wiley & Sons, Inc., 2013 3. Jiawei Han, Micheline Kamber M., Jian Pei, Data Mining: Concepts and Techniques, Morgan Kaufmann , 2011 4. Tadeusz Morzy, Eksploracja danych, Metody i algorytmy , Wydawnictwo Naukowe PWN, 2013 Literatura uzupełniająca 1. Bernhard Ganter, Rudolf Wille, Formal Concept Analysis, Mathematical Foundations, Springer-Verlag, 1999 2. Marzena Kryszkiewicz, Concise Representations of Frequent Patterns and Association Rules, Oficyna Wydawnicza Politechniki Warszawskiej, 2002 Strony WWW 1. Oracle Help Center, Data Mining Users‘ Guide, 2. Oracle Help Center, Data Mining Users‘ Guide, 3. Thomas Girke, UC Riverside, Programming in R,
3
Comments
Download Eksploracja danych...
eksploracji danych - Tłumaczenie na angielski - polskich przykładów
Dzięki eksploracji danych firmy mogą poprawić sprzedaż i rentowność. Through data mining , companies are able to improve their sales and profitability.
Deweloperzy mogą korzystać z biblioteki do tworzenia złożonych eksploracji danych... Developers can use the library to build complex data mining and Web crawlers, retrieving only...
Aby to osiągnąć, wykorzystujemy nowoczesne algorytmy eksploracji danych i sztuczną inteligencję. To achieve this, we use modern data-mining algorithms and artificial intelligence.
Zabronione jest między innymi tworzenie i/lub używanie hacków, modów, cheatów, botów, narzędzi do eksploracji danych oraz zautomatyzowanych wtyczek przeglądarki. Among other things, the creation and/or use of hacks, mods, cheats, bots, data-mining tools and automated browser plugins shall be prohibited.
W niniejszym artykule dokonano przeglądu i klasyfikacji zastosowań oraz metod i technik wykorzystywanych podczas procesu eksploracji danych. In this article was described review and use's classification, methods and techniques which they are using in the process of the data exploration
Kluczowe tu będzie uzyskanie wysokiej zwinności i niskiej pracochłonności w procesie eksploracji danych. It will also be crucial to achieve high agility and low time-consumption in the process of data exploration
Promuje stosowanie systemów eksploracji danych w przemyśle i społeczeństwie. Promotes the use of data mining systems in industry and society.
Podsystem eksploracji danych jest traktowany jako jeden składnik funkcjonalny systemu informacyjnego. The data mining subsystem is treated as one functional component of an information system.
Do przetwarzania raportów wykorzystano metody i techniki z zakresu eksploracji danych tekstowych. To reports processing methods and techniques used in the field of textual data mining (text mining).
R ma szeroką gamę pakietów do eksploracji danych. R has a wide variety of packages for data mining
A reklamy kierowane na podstawie eksploracji danych to nie nowość. And targeted advertising from data mining isn't exactly something new.
Szczególnie martwi mnie praktyka eksploracji danych oraz tworzenia profili zachowania i tożsamości. My particular concern is the practice of data mining , and behavioural and identity profiling.
Miałeś świetną przemowę na temat eksploracji danych na Bliskim Wschodzie... genialne. You gave that great talk on data mining in the near East - genius.
Naukowo związany z Wydziałem Informatyki Politechniki Poznańskiej w obszarze uczenia maszynowego i eksploracji danych. Scientifically connected with the Faculty of Computer Science at the Poznan University of Technology in the area of machine learning and data mining
Poprawia współpracę między wieloma systemami eksploracji danych i funkcji. Improves interoperability among multiple data mining systems and functions.
Wydobycie na podstawie pośrednich wyników eksploracji danych. Mining based on the intermediate data mining results.
Konkurs eksploracji danych pierwszy raz sponsorowany był przez naszą firmę w 2014 roku. The first time Dituel sponsored the data mining competition was in 2014.
Przegląd metod i technik eksploracji danych tekstowych Review of methods and text data mining techniques
Jednocześnie usługa eksploracji danych online przyniesie korzyści małym i średnim sklepom internetowym, dostarczając im nowe informacje pomagające zwiększyć sprzedaż. In parallel, Online Data Mining Services will benefit small and medium-sized e-shops by providing new insights to enhance sales.